Hiera Tiny 224 Hf

🚀 Hieraモデル (Tiny, IN1Kでファインチューニング済み)

Hieraは、高速で強力で、そして何よりも_シンプル_な_階層型_ビジョントランスフォーマーです。このモデルは論文Hiera: A Hierarchical Vision Transformer without the Bells-and-Whistlesで紹介され、多くの画像およびビデオタスクにおいて最先端のモデルを上回り、しかも_はるかに高速_です。

🚀 クイックスタート

仕組み

ViTのようなビジョントランスフォーマーは、ネットワーク全体で同じ空間解像度と特徴量の数を使用します。しかし、これは非効率的です。初期の層では多くの特徴量を必要とせず、後期の層では高い空間解像度を必要としません。ResNetのような従来の階層型モデルは、最初に少ない特徴量を使用し、最後に低い空間解像度を使用することでこの問題に対処しています。

SwinやMViTなど、この階層型設計を採用したいくつかのドメイン固有のビジョントランスフォーマーが提案されています。しかし、ImageNet-1Kでの完全教師付き学習を使用して最先端の結果を得るために、これらのモデルはViTが持たない空間的バイアスを補うために特殊なモジュールを追加することでますます複雑になっています。これらの変更は魅力的なFLOP数を持つ効果的なモデルを生み出しますが、内部的に追加された複雑さにより、これらのモデルは全体的に_遅く_なっています。

私たちは、これらの大部分の複雑さが実際には_不要_であることを示しています。アーキテクチャの変更を通じて手動で空間的ベースを追加する代わりに、モデルにこれらのバイアスを_教える_ことを選択します。MAEを使用して学習することで、既存のトランスフォーマーの_すべての_嵩張るモジュールを簡素化または削除し、その過程で_精度を向上_させることができます。その結果がHieraであり、いくつかの画像およびビデオ認識タスクにおいて最先端の性能を発揮する非常に効率的でシンプルなアーキテクチャです。

想定される用途と制限

Hieraは画像分類、特徴抽出、またはマスク画像モデリングに使用できます。このチェックポイントは具体的には特徴抽出を目的としています。

使用例

基本的な使用法

from transformers import AutoImageProcessor, HieraModel
import torch
from PIL import Image
import requests

url = "http://images.cocodataset.org/val2017/000000039769.jpg"
image = Image.open(requests.get(url, stream=True).raw)

image_processor = AutoImageProcessor.from_pretrained("facebook/hiera-tiny-224-hf")
model = HieraModel.from_pretrained("facebook/hiera-tiny-224-hf")

inputs = image_processor(images=image, return_tensors="pt")
outputs = model(**inputs)

また、HieraBackboneを使用し、モデルを読み込む際にout_featuresを設定することで、モデルの異なる段階から特徴マップを抽出することもできます。以下は、すべての段階から特徴マップを抽出する方法です。

高度な使用法

from transformers import AutoImageProcessor, HieraBackbone
import torch
from PIL import Image
import requests

url = "http://images.cocodataset.org/val2017/000000039769.jpg"
image = Image.open(requests.get(url, stream=True).raw)

image_processor = AutoImageProcessor.from_pretrained("facebook/hiera-tiny-224-hf")
# `out_features` は ['stem', 'stage1', 'stage2', 'stage3', 'stage4'] の部分集合である必要があります
# これにより新しいLayerNorm層が導入され、下流のタスクでの学習が必要になる可能性があります
model = HieraBackbone.from_pretrained("facebook/hiera-tiny-224-hf", out_features=['stage1', 'stage2', 'stage3', 'stage4'])

inputs = image_processor(images=image, return_tensors="pt")
outputs = model(**inputs)
feature_maps = outputs.feature_maps

BibTeXエントリと引用情報

もしあなたの研究でHieraまたはこのコードを使用する場合は、以下を引用してください。

@article{ryali2023hiera,
  title={Hiera: A Hierarchical Vision Transformer without the Bells-and-Whistles},
  author={Ryali, Chaitanya and Hu, Yuan-Ting and Bolya, Daniel and Wei, Chen and Fan, Haoqi and Huang, Po-Yao and Aggarwal, Vaibhav and Chowdhury, Arkabandhu and Poursaeed, Omid and Hoffman, Judy and Malik, Jitendra and Li, Yanghao and Feichtenhofer, Christoph},
  journal={ICML},
  year={2023}
}

## 📄 ライセンス
このプロジェクトは cc-by-nc-4.0 ライセンスの下で公開されています。

## 📚 ドキュメント
| プロパティ | 詳細 |
|----------|---------|
| データセット | imagenet-1k |
| 言語 | en |
| ライブラリ名 | transformers |